如何用Python计算春训与常规赛胜场列的相关系数

请问如何使用Python计算数据集中春季训练胜场列与常规赛季胜场列之间的相关系数？
本次使用的数据集如下：

日常计算两个连续变量的相关系数优先选皮尔逊相关系数，Python里有两种成熟的实现方案，可按需选择：

• 仅需要相关系数数值：用pandas内置方法，代码最简洁
• 需要相关系数+显著性检验结果：用scipy统计模块

方案1：pandas快速计算 #

先把数据集转为DataFrame格式，直接调用.corr()方法即可，默认计算皮尔逊相关系数：

import pandas as pd

# 构造数据集
df = pd.DataFrame({
    "球队名称": ["Team B", "Team C", "Team D", "Team E", "Team F", "Team G", "Team H", "Team I", "Team J", "Team K", "Team L", "Team M", "Team N"],
    "Spr.TR（春季训练胜场）": [0.429, 0.417, 0.569, 0.569, 0.533, 0.724, 0.5, 0.577, 0.692, 0.5, 0.731, 0.643, 0.448],
    "Reg Szn（常规赛季胜场）": [0.586, 0.646, 0.6, 0.457, 0.563, 0.617, 0.64, 0.649, 0.466, 0.477, 0.699, 0.588, 0.531]
})

# 计算两列相关系数
corr = df["Spr.TR（春季训练胜场）"].corr(df["Reg Szn（常规赛季胜场）"])
print(round(corr, 3))

运行输出结果为0.366，说明两个变量存在弱正相关。

如果数据不符合正态分布，给.corr()传入method="spearman"即可计算斯皮尔曼秩相关系数。

方案2：scipy计算带显著性结果 #

如果需要验证相关系数的统计显著性，用scipy.stats.pearsonr可以同时返回相关系数和p值：

from scipy.stats import pearsonr

spring_col = df["Spr.TR（春季训练胜场）"]
reg_col = df["Reg Szn（常规赛季胜场）"]

corr_val, p_val = pearsonr(spring_col, reg_col)
print(f"相关系数：{round(corr_val,3)}，p值：{round(p_val,3)}")

运行输出为相关系数：0.366，p值：0.229，p值大于0.05，说明当前样本下这个正相关关系不具备统计显著性。

内容的提问来源于stack exchange，提问作者Brock J